层叠CMAC补偿的并联机器人变结构控制研究

针对复杂机器人系统的不确定性,提出一种层叠小脑模型关节控制器(CMAC)神经网络同滑模变结构控制相结合的控制策略。首先利用改进CMAC学习机器人系统的不确定信息,并作为前馈补偿来确保跟踪误差的快速收敛,再通过滑模变结构控制器消除CMAC网络的逼近误差和不可重复随机干扰的影响。采用Lyapunov直接法进行控制律选取,分析表明系统可实现全局渐近稳定。在6-6并联机器人的轨线跟踪仿真试验中显示了良好的鲁棒性和精确性.     

基于CMAC的位置伺服系统神经元离散滑模控制

针对数控机床位置伺服系统参数不确定及存在外界干扰的特点,将小脑模型关节控制器(CMAC)与滑模控制相结合,设计了基于CMAC的神经元离散滑模制系统及其控制算法.仿真结果表明,该控制方法不但大大降低了普通滑模变结构控制中的抖振,而且具有良好的动静态特性及较强的鲁棒性.     

基于Backstepping的机器人鲁棒跟踪控制

针对机器人跟踪控制问题，提出了基于Backstepping方法下的滑模变结构控制律，并利用低通滤波器(LPF）削弱了滑模控制中出现的抖振现象，该控制律能保证轨迹跟踪误差的快速收敛性及对外部扰动和参数不确定性的鲁棒性。仿真实例证实了理论分析结果的正确性。     

一种自适应CMAC神经网络控制器的设计与仿真

为了消除常规前馈型CMAC神经网络控制器的过学习和振荡现象，基于常规CMAC的基础上，提出了一种自适应CMAC神经网络的控制器结构。该控制器以系统动态误差和给定信号量作为CMAC的激励信号，并与自适应神经网络控制器相并联构成系统的复合控制。仿真实例表明，提出的自适应CMAC神经网络控制器具有良好的鲁棒性、抗干扰能力和自适应能力，是解决非线性和不确定性对象控制问题的一种简便有效的控制算法。     

基于干扰观测器的坦克伺服系统滑模变结构控制

针对坦克伺服系统中存在的外部干扰、内部参数的不确定性问题,提出干扰观测器作为内环和滑模变结构控制作为外环的双环控制方案.在二自由度意义下分析干扰观测器系统的鲁棒性和性能,通过合理设计低通滤波器,干扰观测器可补偿大的干扰和不确定性,同时还可减少滑模变结构控制的抖振现象.滑模变结构控制器可用来消除干扰观测误差,并满足系统跟踪性能的要求.所设计的方法用于坦克伺服系统进行仿真研究.结果表明该方法能较好地满足跟踪精度的要求,同时系统具有较强的适应性和鲁棒性.     

不确定非线性系统自适应滑模跟踪控制及应用

针对一类非匹配不确定非线性系统,设计了一种高阶鲁棒自适应反推滑模变结构控制方法。在控制器设计中,考虑存在系统建模误差和外界未知干扰,借鉴动态面思想降低控制器复杂性,引入双曲正切函数和抖振衰减因子降低控制输入抖振,设计系统建模误差自适应律增强控制器鲁棒性,并将系统的稳定性证明简化为判断一个n阶对称矩阵的正定性问题。将设计的反推滑模控制器用于F-8飞机纵向机动控制并进行仿真,实现了飞机对指定轨迹的稳定跟踪。     

一类非线性不确定系统自适应terminal滑模控制方法

针对一类非线性不确定系统设计了自适应terminal滑模控制器,使跟踪误差在有限时间内收敛到零,消除了通常滑模变结构控制的到达过程,因而闭环系统从t=0时刻就对干扰具有鲁棒性。采用RBF神经网络逼近系统未知的非线性函数,引入滑模误差对其权值进行在线自适应调整,改善动态性能。最后给出的仿真例子证明了算法的有效性。     

基于神经网络的自由漂浮空间机器人鲁棒控制

针对带有模型误差及外界扰动的自由漂浮空间机器人轨迹跟踪问题,提出了一种基于神经网络的自适应鲁棒控制策略。采用对神经网络状态空间进行划分后与滑模变结构结合的控制器,对不确定非线性进行自适应学习,逼近误差作为外部干扰由鲁棒控制器消除。该方法从整个闭环系统的稳定性出发,利用H_∞理论设计的鲁棒控制器及神经网络权值的在线调整规则保证了系统的稳定性,并能使系统L2增益小于给定的指标,具有较好的控制精度及动态特性。仿真分析进一步证明了该自适应鲁棒控制算法的有效性。     

直角坐标机器人补偿滑模交叉耦合控制研究

针对典型直角坐标机器人控制精度低,在单轴数学模型的基础上,建立了针对各轴互为正交典型机器人的轮廓误差模型,采用改进双幂次趋近律,设计终端滑模控制器,为提高机器人整体轨迹跟踪精度,加入了积分补偿项,对各轴的位置精度进行稳定补偿,并在轴间采用交叉耦合控制来消除轴间的轮廓误差.既削弱了传统滑模控制的抖振,又提高了系统的响应速...     

一种三相并联有源滤波器的仿真研究

针对广泛使用的非线性负载产生谐波和导致功率因数较低的问题，在建立三相并联型有源电力滤波器数学模型的基础上，把滑模变结构控制和模糊控制趋近律相结合，设计了一种基于模糊滑模变结构控制策略、用于抑制电网谐波、提高负戴功率因数的三相并联型有源电力滤波器。模糊滑模变结构控制方案不仅消除了滑模变结构控制固有的高频颤动现象，对模型不确定性和外部干扰具有较强的鲁棒性，而且改善了系统到达段的品质，同时跟踪误差可收敛到零的一个邻域内。通过仿真对该控制模型进行了验证，结果表明，方案切实可行，系统具有良好的动静态性能。     

改进的机器人神经网络变结构混合控制

针对不确定性机器人的轨迹跟踪控制问题,提出了一种神经网络前馈补偿加变结构的混合控制器。通过引入广义误差的立方项补偿以提高系统的动态性能,不但保证了全局的渐近稳定,而且加快了误差的收敛速度。对闭环系统稳定性进行了证明。以二自由度刚性机器人为例进行了仿真研究,结果证明了该方案的有效性。     

基于边界层法的电磁轴承滑模变结构控制研究

针对常规滑模变结构控制方法在电磁轴承控制当中引起的抖动问题，将边界层法用于滑模变结构控制器的设计。通过建立电磁轴承动力学模型，基于李亚普诺夫稳定性理论，用饱和函数取代常规变结构控制的符号函数，以有限大的增益近似实现无穷大的增益；最后，对控制器的性能进行了仿真研究，并和常规滑模变结构控制方法进行了比较。结果表明，采用边界层法可以有效减弱抖动对系统的不利影响，实现了转子的快速调整和稳定悬浮，并且具有良好的跟踪精度和强的鲁棒性。     

多输入多输出非线性系统的多面滑模控制

针对多输入多输出非线性系统 ,提出一种基于模糊小脑关联结构模型 (CMAC)神经网络的多面滑模变结构控制算法 ,特点是无需已知不确定性函数及其各阶导数的上界 ,证明了系统的状态及权值误差有界。与经典设计方法相比 ,所提出的方案允许非参数化不确定性。仿真实例显示了方法的有效性。     

基于自适应变结构控制的机器人系统仿真研究

针对机器人系统的参数与非参数不确定性，提出一种新颖的控制策略。将自适应滑模变结构理论应用于机器人轨线跟踪控制，鲁棒增益自适应调整，Lyapunov直接法分析证明系统可实现全局渐近稳定。在保持渐近稳定性的前提下，引入平滑饱和函数，有效改善控制的暂态品质和震颤现象。仿真结果表明系统估计参数收敛，并有较高的鲁棒性和精确性。     

两自由度冗余驱动并联机器人的研究

提出了一种冗余驱动的具有两个转动自由度的新型空间并联机器人，以提高系统的稳定性，满足某水下运动模拟装置的要求。在对系统进行动力学分析并考虑消除内力的基础上，针对液压驱动并联机器人平台参数不确定及外界干扰的特点，设计了两层滑模的变结构控制器，采用Lyapunov方法进行控制律的选取。仿真试验表明了变结构控制算法对于系统控制的有效性和鲁棒性。     

一类多关节机器人系统的模糊滑模控制算法仿真

针对具有参数不确定性的多关节机器人动力学系统，提出了一种基于模糊逻辑的滑模控制方案。该方案采用模糊滑模跟踪控制设计，柔化了控制信号，减轻了一般滑模控制的抖振现象。利用李亚普诺夫定理证明了闭环模糊控制系统的稳定性和跟踪误差、控制信号的有界性。仿真结果表明了所提出的控制策略是有效的。     

基于自适应滑模变结构的卫星天线指向伺服控制系统设计

将自适应滑模变结构方法应用于卫星天线跟踪指向控制伺服系统。电流环采用电压空间矢量脉宽调制技术驱动永磁同步伺服电机，位置环采用自适应滑模变结构控制，通过自适应方法调节控制器中等效输出控制量部分，以减小外部干扰和自身参数变化对系统的影响，提高伺服系统的鲁棒性。仿真结果表明伺服系统控制性能良好，输出稳定，具有较强的鲁棒性。     

变饱和状态柔性变结构控制系统设计

为了缩短控制系统的调节和整理时间,提出了变饱和状态柔性变结构控制系统设计方法。该方法在系统存在较大偏差时只通过线性控制器调节,在中等偏差时通过线性控制器和变饱和状态控制器一起调节,在小偏差时由线性控制器和由变饱和状态控制器转变的线性控制器一起调节,从而提高了对控制约束的利用。仿真结果表明:该方法在调节和整理时间以及跟踪精度上均优于滑模控制,而且控制信号平滑。     

基于强化学习的连续型机械臂自适应跟踪控制

针对空间主动碎片清除操作中连续型三臂节机器人系统跟踪问题,提出一种基于强化学习的自适应滑模控制算法。基于数据驱动的建模方法,采用BP神经网络对三臂节连续型机械臂进行建模,并作为预测模型指导强化学习实时调节所提出滑模控制器的控制参数,从而实现连续型机器人运动的实时跟踪控制。仿真结果表明：提出的数据驱动的预测模型对随机轨迹预测的相对误差保持在±1%以内,能够高精度地反映系统动态特性。对比固定参数的滑模控制器,提出的自适应控制器在保证系统达到控制目标的同时具有更低的超调量和更短的调节时间,表现出更好的控制效果。     

一种基于H∞理论的滑模变结构控制器设计

为避免未建模误差对系统性能的影响,采用滑模面的频域整形方法提出了一种基于Ｈ∞理论设计滑模面的变结构控制器,并将其运用到一泵控马达伺服系统中。仿真结果表明这种控制器对建模误差有很强的鲁棒性。